Few-Shot Learning

Обучение по небольшому числу примеров (FSL) — это специализированная область машинного обучения (ML), предназначенная для обучения моделей распознавать и классифицировать новые понятия, используя очень небольшое количество размеченных примеров. В традиционном глубоком обучении (DL) для достижения высокой точности обычно требуются огромные наборы данных, содержащие тысячи изображений каждой категории. Однако FSL имитирует способность человека быстро обобщать знания на основе ограниченного опыта — подобно тому, как ребенок может распознать жирафа, увидев всего одну или две картинки в книге. Эта возможность особенно важна для внедрения искусственного интеллекта (AI) в сценариях, где сбор больших объемов [обучающих данных](https://ultralytics-translation-3.invalid слишком дорог, занимает много времени или практически невозможен.

Основные механизмы обучения по небольшому числу примеров#

Главная цель FSL — снизить зависимость от масштабного сбора данных за счет использования ранее полученных знаний. Вместо изучения закономерностей с нуля модель использует «опорное множество», содержащее несколько размеченных примеров, чтобы распознавать новые классы. Для этого часто применяются такие передовые методы, как метаобучение, также известное как «обучение обучаться». В рамках этого подхода модель обучается на множестве задач, чтобы выработать оптимальную инициализацию или правило обновления, позволяющее адаптироваться к новым задачам с минимальными изменениями.

Другой распространенный подход — обучение на основе метрик, при котором модель учится отображать входные данные в векторное пространство с помощью эмбеддингов. В этом пространстве похожие объекты располагаются близко друг к другу, а непохожие — далеко. Алгоритмы, такие как прототипные сети, вычисляют среднее представление, или прототип, для каждого класса и классифицируют новые образцы запросов на основе расстояния до этих прототипов. Часто это опирается на возможности извлечения признаков, сформированные во время предварительного обучения на более крупных универсальных наборах данных.

Практические применения#

Обучение по небольшому числу примеров преобразует отрасли, в которых нехватка данных ранее препятствовала внедрению технологий AI.

Медицинская визуализация и диагностика#

В области анализа медицинских изображений получить тысячи размеченных снимков редких патологий часто невозможно. FSL позволяет исследователям обучать системы компьютерного зрения (CV) выявлять редкие типы опухолей или определенные генетические аномалии всего по нескольким аннотированным клиническим случаям. Эта возможность делает передовые диагностические инструменты более доступными — такой цели придерживаются, например, учреждения вроде Stanford Medicine, помогая выявлять состояния, для диагностики которых в противном случае потребовалась бы специализированная экспертиза человека.

Промышленный контроль качества#

Современный AI в производстве в значительной степени опирается на автоматизированный контроль. Однако конкретные дефекты могут возникать очень редко, из-за чего сложно создать большой набор данных с «бракованными» деталями. FSL позволяет системам обнаружения аномалий изучать характеристики нового типа дефектов всего по нескольким изображениям. Благодаря этому операторы производства могут быстро обновлять протоколы контроля качества, не останавливая производство для сбора данных, что значительно повышает эффективность в условиях динамичного производства.

Различие между связанными понятиями#

Чтобы понять специфику FSL, полезно отличать его от схожих подходов к обучению на малом объеме данных:

• Трансферное обучение: FSL часто реализуется как специфическая, экстремальная форма трансферного обучения. В то время как при стандартном трансферном обучении модель вроде YOLO26 может дообучаться на сотнях изображений, FSL ориентировано на сценарии, где имеется, например, всего от 5 до 10 изображений каждого класса (классификация типа «N-way K-shot»).
• Обучение по одному примеру: это частный случай FSL, в котором модель должна обучаться ровно на одном размеченном примере. Такой подход часто используется в распознавании лиц для проверки личности по одной сохраненной фотографии.
• Обучение без примеров: в отличие от FSL, которому требуется хотя бы небольшое визуальное опорное множество, обучение без примеров не использует никаких визуальных примеров целевого класса во время обучения. Вместо этого оно опирается на семантические описания или атрибуты (например, текстовые подсказки), чтобы распознавать ранее не встречавшиеся объекты.

Практическая реализация с Ultralytics#

На практике один из наиболее эффективных способов выполнять обучение по небольшому числу примеров — использовать высоконадежную предварительно обученную модель. Передовые модели, такие как новая YOLO26, получили богатые представления признаков благодаря обучению на огромных наборах данных, таких как COCO или ImageNet. После дообучения на небольшом пользовательском наборе данных эти модели могут адаптироваться к новым задачам с впечатляющей скоростью и точностью.

Следующий пример на Python показывает, как обучить модель на небольшом наборе данных с использованием пакета ultralytics, фактически выполняя адаптацию по небольшому числу примеров:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

Проблемы и перспективы развития#

Несмотря на высокую эффективность, FSL сталкивается с проблемами, связанными с надежностью. Если несколько предоставленных примеров являются выбросами или содержат шум, производительность модели может снизиться — эта проблема известна как переобучение. Исследования в области аугментации данных и генерации синтетических данных имеют решающее значение для снижения этих рисков. По мере того как фундаментальные модели становятся крупнее и мощнее, а такие инструменты, как Ultralytics Platform, упрощают обучение и управление моделями, возможность создавать пользовательские решения AI на минимальном объеме данных будет становиться все более доступной разработчикам по всему миру.